58 Educazione, Vol. 1. No.

1, Nopember 2013

PERBEDAAN PENGGUNAAN SOFTWARE STATISTIKA MINITAB, SPSS, SAS DAN OSS

STATISTIKA–R DALAM PEMBELAJARAN METODE ANALISIS REGRESI BERGANDA DENGAN
PEMILIHAN MODEL TERBAIK MENGGUNAKAN METODE STEPWISE

Azwar Habibi)*

Email: azwarhabibi_ambulu@yahoo.co.id

ABSTRACT

Regression analysis is a statistical analysis that aims to model the relationship between
independent variables with the dependent variable. In the regression analysis is one method
often used to select the best regression model of stepwise regression method. The purpose
of this paper is to apply the best selection of regression models with stepwise method to
compare data HBAT and stepwise regression method with the program package Minitab,
SPSS, SAS and R. Thus, it can be concluded in principle can be shown to the interpretation of
multiple linear regression analysis with selection of the best models using the Stepwise
method using MINITAB statistical package, SPSS, SAS and R. Thus, to produce the best model

Y  1,151  0,319 X 9  0,369 X 6  0,775 X 12  0,417 X 7  0,174 X 11 . However, the advan
tages and deficiency obtained the statistical package suitable for Stepwise regression
analysis was SPSS and MINITAB, because this package is specially designed for the social
sector in appropriate regression analysis. Because its use is more easily done because the
menu based. SAS package is the most comprehensive software suitable for all types of
existing analytical methods in statistics, but its use is very difficult because the command line
rather than the menu based. While for interpretation using the R package output
information in Stepwise regression analysis is easy and is complete so that it can be used in
Stepwise regression analysis. Thus, the authors suggested using R packages in Stepwise
regression analysis even more is the command line, but, in its use for the stepwise
regression analysis commands are easy to do and produce output that is easy to understand.
Keywords: Regression Analysis, Stepwise Regression Method, Minitab, R, SAS, SPSS.

ABSTRAK
Analisis regresi adalah analisis statistika yang bertujuan untuk memodelkan hubungan antara
variabel independent dengan variabel dependent. Dalam analisis regresi terdapat salah satu metode
yang sering digunakan untuk memilih model regresi terbaik yaitu Metode regresi stepwise. Tujuan
dari makalah ini adalah menerapkan pemilihan model regresi terbaik dengan metode stepwise pada
data HBAT dan membandingkan metode regresi stepwise dengan OSS Statistika-R program Minitab,
SPSS, SAS dan R. Sehingga, dapat disimpulkan pada dasarnya dapat ditunjukkan interpretasi analisis
regresi linier berganda dengan pemilihan model terbaik menggunakan metode Stepwise
menggunakan OSS Statistika-R statistik MINITAB, SPSS, SAS dan R. Sehingga, menghasilkan model

terbaik yaitu Y  1,151  0,319 X 9  0,369 X 6  0,775 X 12  0,417 X 7  0,174 X 11 . Akan tetapi,
diperoleh kelebihan dan kekuranganya yaitu untuk OSS Statistika-R statistik yang cocok untuk analisis
regresi Stepwise adalah SPSS dan MINITAB, karena OSS Statistika-R ini didesain khusus untuk bidang
sosial yang cocok dalam analisis regresi. Karena penggunaanya lebih mudah dilakukan karena
berbasis menu. Untuk software SAS ini merupakan software yang paling komprehensif cocok untuk
59 Educazione, Vol. 1. No. 1, Nopember 2013

semua jenis metode analisis yang ada distatistika, akan tetapi penggunaanya sangat sulit karena lebih
bersifat command line dari pada berbasis menu. Sedangkan untuk interpretasi menggunakan OSS
Statistika-R informasi output yang dihasilkan dalam analisis regresi Stepwise cukup mudah dan sudah
komplit sehingga dapat digunakan dalam analisis regresi Stepwise. Sehingga, penulis menyarankan
untuk menggunakan OSS Statistika-R dalam menganalisis regresi Stepwise meskipun lebih bersifat
command line, akan tetapi, dalam penggunaanya untuk analisis regresi stepwise perintah-
perintahnya sangat mudah dilakukan dan menghasilkan output yang mudah dipahami.

Kata kunci: Analisis regresi, Metode regresi stepwise, Minitab, R, SAS, SPSS.

*) Dosen Pend. Matematika FKIP Univ. Islam Jember

PENDAHULUAN maka variabel lain yang ada di dalam

Analisis regresi adalah analisis
statistika yang bertujuan untuk
memodelkan hubungan antara variabel
independent dengan variabel dependent.
Istilah regresi pertamakali dikenalkan
oleh Francis Galton (1886) melalui
artikelnya yang berjudul Regression
Towards Mediocrity In Hereditary
Stature, di dalam artikel ini Galton
mengkaji hubungan antara tinggi badan
anak dengan tinggi badan orang tua. Dari
hasil kajian ini diperoleh informasi
adanya hubungan antara tinggi badan
anak dengan tinggi orang-tuanya.
Grossman (1996) dalam penelitianya
menyatakan, ada tiga metode yang
sering digunakan dalam pemilihan model
regresi terbaik yaitu metode regresi
Backward, metode regresi Forward,
metode regresi Stepwise. Akan tetapi
yang akan dibahas dalam penelitian ini
adalah metode regresi stepwise. Metode
regresi stepwise adalah Gabungan
antara metode forward dan backward,
variabel yang pertama kali masuk adalah
variabel yang korelasinya tertinggi dan
significant dengan variabel dependent,
variabel yang masuk kedua adalah
variabel yang korelasi parsialnya
tertinggi dan masih significant, setelah
variabel tertentu masuk ke dalam model
model dievaluasi, jika ada variabel yang
tidak significant maka variabel tersebut
dikeluarkan. Metode regresi stepwise
dapat dikembangkan untuk
menyelesaikan permasalahan diberbagai
bidang ilmu pengetahuan. Zimin dan
Semenov (2005), mengaplikasikan
analisis regresi stepwise dalam bidang
Teknik kimia yang digunakan untuk
menganalisis bangunan penampang
neutron dependensi beberapa kelompok
untuk reaktor. Penelitian lain dilakukan
oleh Sun et al (1995), mengaplikasikan
Analisis regresi stepwise dalam bidang
kedokteran untuk menganalisis estimasi
umur pada tulang dada perempuan.
Berbeda dengan penelitian
sebelumnya, tujuan dari makalah ini
adalah menerapkan pemilihan model
regresi terbaik dengan metode stepwise
pada data HBAT dan membandingkan
metode regresi stepwise dengan
program Minitab, SPSS, SAS dan OSS
Statistika-R. Data HBAT merupakan data
yang diambil dari program SPSS yang
menjelaskan suatu perusahaan di
Amerika Utara yaitu HBAT industri yang
memproduksi kertas untuk dua segmen
pasar, yaitu industri percetakan surat
kabar dan majalah, dengan penjualan
produksinya melalui dua cara : langsung
dijual kepelanggan dan tidak langsung
60 Educazione, Vol. 1. No. 1, Nopember 2013
dijual kepelanggan atau melalui
perantara. Ingin mengetahui sejauh
mana kepuasan pelanggan terhadap
produk yang mereka keluarkan
dipasaran. Untuk tujuan tersebut maka
dilakukan penelitian ke 100
pelanggannya. Dari penelitian itu
didapatkan data primer dari 100
observasi dalam 18 variabel terpisah
pada penelitian segmen pasar dari
pelanggan HBAT. Dari penelitian itu
didapatkan informasi bahwa penerimaan
pelanggan terhadap produk yang mereka
keluarkan dipengaruhi oleh faktor-faktor
antara lain : persepsi tentang kualitas
produk, aktifitas perdagangan, dukungan
teknik, penyelesaian terhadap komplain,
iklan, macam produk, sales force image,
harga kompetitif, garansi, produk baru,
pesanan dan tagihan, fleksibilitas harga
dan pengiriman cepat (Hair et al,2006).
METODE
A. Model Regresi Linier Berganda
Kutner et al (2004) menjelaskan,
dalam regresi linier berganda persamaan
regresi mempunyai lebih dari satu
variabel bebas. Bentuk
persamaan regresi berganda yang
menunjukkan hubungan antara dua
variabel, yaitu variabel X sebagai variabel
bebas dan variabel Y sebagai variabel tak
bebas
Yi   0  1 X i1   2 X i 2     p 1 X i , p 1   i
dengan: Y adalah variabel
bebas,;  0 , 1 ,  2 , ,  p 1 adalah parameter
yang tidak diketahui; X i1 , , X i , p 1 adalah
variabel bebas;  i adalah variabel random
kesalahan atau galat, i = 1,...,n. Dalam model
diatas,  0 menunjukkan nilai tengah dari
variabel Y apabila X1 dan X2 ditetapkan sama
dengan nol, koefisien 1 dan  2 disebut
sebagai koefisien regresi yang mengukur
pengaruh dari variabel bebas tertentu
terhadap variabel tak bebas Y, apabila
variabel bebas yang lain dibuat konstan.
B. Pemilihan Model Regresi Terbaik
Dengan Metode Regresi Stepwise (The
Stepwise Regression Procedure)
Dalam Regresi stepwise
merupakan salah satu solusi
menyelesaikan masalah regresi yang
variabel prediktornya saling berkorelasi.
Tidak semua variabel prediktor yang
diduga memiliki pengaruh terhadap
variabel respon. Salah satu variabel
prediktor kadang berkorelasi atau
berhubungan dengan variabel prediktor
yang lain. Oleh karena itu, cukup
memasukkan salah satu variabel ke
dalam model karena variabel tersebut
dianggap sudah mewakili variabel
lainnya. Pemilihan variabel yang akan
dimasukkan ke dalam model tentu
berdasarkan kriteria-kriteria tertentu,
misalnya variabel prediktor yang
memiliki korelasi parsial paling besar
dengan variabel responnya. Prosedur
regresi stepwise dibuat agar
umum
menghasilkan model regresi terbaik.
Dalam metode regresi stepwise, variabel
dibuang dan ditambahkan ke model
regresi untuk membuat model regresi
terbaik. Pada prosedur regresi Stepwise
adalah:
berusaha mencapai kesimpulan yang
serupa namun dengan menempuh cara
menyusupkan variabel bebas satu demi
tak
satu sampai diperoleh regresi yang
memuaskan. Urutan penyisipanya
ditentukan dengan menggunakan
koefisien korelasi parsial (R) sebagai
ukuran pentingnya variabel yang masih
diluar persamaan. Prosedur dasarnya
menurut Draper dan Smith (1981) adalah
sebagai berikut: Dipilih X yang paling
tinggi berkorelasi dengan Y(misalkan X1)
61 Educazione, Vol. 1. No. 1, Nopember 2013
dan kemudian di hitung persamaan
regresinya Yˆ  f ( X 1 ) , Diuji apakah
variabel ini signifikan. Kalau signifikan,
diambil model Y  Yˆ sebagai yang
terbaik. Jika variabel itu tidak signifikan,
maka dicari variabel bebas kedua untuk
dimasukkan kedalam persamaan regresi,
Diperiksa koefisien korelasi parsial
semua variabel bebas yang berada diluar
regresi pada tahap ini, yaitu Xi, i  1 ,
dengan Y, dan korelasi antara kedua
variable yang telah dikoreksi itu dihitung
untuk semua i  1 . Dari segi matematis,
hal ini sama dengan menghitung korelasi
antara sisaan dan regresi
Y  f ( X 1 ) dengan sisaan dari regresi
ˆ
Yˆ  f ( X ) , yang sesungguhnya tidak
i i 1
dikerjakan. Variabel Xi yang mempunyai
koefisien korelasi parsial tertinggi
dengan Y yang sekarang dipilih, misalkan
ini adalah X2, dan selanjutnya persamaan
regresi kedua Yˆ  f ( X 1 , X 2 ) dihitung.,
Langkah berikutnya menguji persamaan
regresi tersebut, peningkatan nilai R2
diperhatikan, dan nilai Fhitung untuk
kedua variabel bebas yang ada didalam
persamaan(bukan hanya yang baru
disusupkan) diuji. Nilai Fhitung yang
bersangkutan dipertahankan
dikeluarkan dari persamaan tergantung
pada apakah uji ini signifikan atau tidak.
Pengujian variabel bebas yang ada dalam
persamaan regresi yang paling kecil
sumbangannya ini dilakukan pada setiap
tahap prosedur stepwise. Variabel bebas
yang sebelumnya pernah menjadi calon
terbaik dan dimasukan ke dalam
persamaan regresi, pada
berikutnya mungkin dapat dianggap
berlebihan karena hubungannya dengan
variabel bebas lain yang sekarang ada
didalam regresi. Untuk memeriksa ini,
nilai Fhitung untuk setiap variabel bebas
didalam regresi dihitung, dan yang paling
kecil (mungkin berasal dari variabel
bebas yang baru masuk, tetapi mungkin
juga dari yang sudah lama ada)
dibandingkan dengan nilai Ftabel yang
telah ditetapkan sebelumnya. Ini
menghasilkan penilaian terhadap
sumbangan variabel bebas yang paling
kurang bermanfaat pada tahap itu,
seolah-olah dimasukkan paling akhir,
walaupun kenyataanya tidak demikian.
Bila sumbangan ini tidak signifikan, maka
variabel bebas yang bersangkutan
dikeluarkan dari model dan persamaan
regresi dihitung kembali berdasarkan
variabel-variabel bebas yang masih ada
didalam model, variabel bebas terbaik
yang diluar model (yang korelasi
parsialnya dengan Y tertinggi) diuji
apakah lulus dari uji Fhitung untuk
memasukkan variabel bebas. Jika lulus,
variabel tersebut dimasukkan dan
kembali kesemua nilai Fhitung variabel
bebas yang ada didalam regresi
diperiksa. Jika gagal, proses pengeluaran
dicoba lagi. Akhirnya, jika tidak ada
variabel bebas yang dapat dikeluarkan
atau dimasukan, proses akan berhenti.
Setiap kali variabel bebas masuk
kedalam regresi, pengaruhnya terhadap
R2, biasanya dicatat dan dicetak.
atau
Menentukan model regresi
terbaik dengan metode ini dilakukan
dengan memeriksa nilai Fhitung dari
masing-masing variabel bebas untuk
kemudian dibandingkan dengan nilai
Ftabel. Yang dipilih sebagai model terbaik
adalah yang paling tinggi korelasi-
parsialnya dengan variabel tak bebas.
tahap
C. Data ilustrasi
Analisis yang akan dilakukan
adalah regresi linear berganda dengan
metode stepwise untuk mendapatkan
model terbaik. Analisis dilakukan dengan
menggunakan 4 software yaitu SPSS,
62 Educazione, Vol. 1. No. 1, Nopember 2013
MINITAB, SAS dan OSS Statistika-R.
Ilustrasi terhadap metode regresi
stepwise dilakukan dengan
menggunakan data riil yaitu data
sekunder yang diperoleh dari data yang
ada di OSS Statistika-R SPSS yaitu data
HBAT menjelaskan mengenai hasil
survey konsumen HBAT yaitu
perusahaan penghasil kertas (Hair et al,
2006). Variabel yang ada sebanyak 18
variabel, tetapi yang digunakan hanya 13
variabel dengan responden 100
perusahaan. Adapun variabel yang
digunakan untuk analisis adalah variabel
respon (Y) adalah kepuasan pelanggan
variabel dan variabel prediktor (X) yaitu
X6 adalah Kualitas produk, X7 adalah
Aktivitas E-commerce, X8 adalah
penunjang tehnik (technical support), X9
adalah Tanggapan terhadap complain,
X10 adalah periklanan, X11 adalah product
line, X12 adalah image dari sales, X13
adalah kompetisi harga, X14 adalah
Garansi dan klaim, X15 adalah produk
baru, X16 adalah pemesanan dan
pembayaran, X17 adalah harga yang
fleksibel, X18 adalah kecepatan
pengiriman.
HASIL DAN PEMBAHASAN
1. Interpretasi Analisis Regresi
Berganda Dengan Pemilihann Model
Terbaik Menggunakan Metode
STEPWISE Menggunakan SPSS
Dalam penelitian ini akan
digunakan OSS Statistika-R, MINITAB,
SPSS, dan SAS, untuk menyelesaikan
Metode regresi Stepwise dan tujuanya
untuk membandingkan dengan cara
mengevaluasi kelengkapan fasilitas
dapat menghasilkan outputnya. Metode
regresi Stepwise dimulai dengan
memasukkan variabel bebas yang
memiliki korelasi paling kuat dengan
variabel tak bebas. Kemudian setiap kali
pemasukan variabel bebas yang lain,
dilakukan pengujian untuk tetap
memasukkan variabel bebas atau
mengeluarkannya. Analisa yang
dilakukan pada metode ini adalah
dengan menggunakan uji F yang
mengambil standar angka signifikan atau
probabilitas 5%, dengan kata lain
variabel bebas akan dimasukkan
kedalam model apabila tingkat
signifikansi dari nilai Fhitung kurang dari
atau sama dengan 0,05 dan variabel
bebas dikeluarkan dari model apabila
tingkat signifikansi dari model apabila
tingkat signifikansi dari Fhitung lebih besar
atau sama dengan 0,100. Fhitung yang
dimasukkan dalam model disebut juga F-
to-enter dan Fhitung yang dikeluarkan dari
model disebut juga F-to-remove. Adapun
langkah-langkah atau proses
memasukkan atau mengeluarkan
variabel bebas dari model dapat dilihat
pada tabel 1. Dari Tabel 1 terlihat bahwa
variabel bebas yang dimasukkan
pertama kali dan berturut-turut
selanjutnya adalah X9, X6, X12, X7, X11, dan
yang terakhir X16. Akan tetapi Satu-
satunya variabel yang perlu
diperhitungkan untuk menjadi variabel
yang akan masuk dalam model adalah
X16, karena variabel ini kemudian ditolak.
Setelah kelima variabel bebas tersebut
dimasukkan dalam model, tidak ada lagi
variabel bebas lain yang dimasukkan
karena tingkat signifikansi atau
probabilitas dari Fhitung masing-masing
variabel bebas yang lain melebihi 0,100.
Selanjutnya untuk mengetahui besar
keterandalan model yang telah dipilih
dapat dilihat pada nilai R2adjusted Model ke
5 atau model yang mengandung variabel
bebas terpilih X9, X6, X12, X7, dan X11
mempunya nilai R2adjusted sebesar 0,780
yang berarti 78% variabel tak bebas Y
63 Educazione, Vol. 1. No. 1, Nopember 2013

dapat dijelaskan oleh variabel bebas

terpilih.
2. Interpretasi Analisis Faktor
Untuk mengetahui seberapa Tahap-tahap memilih model regresi
besar pengaruh variabel bebas pengaruh terbaik dengan metode stepwise
variabel bebas dari model terpilih berdasarkan MINITAB dapat dilihat pada
terhadap variabel tak bebas Y dilakukan tabel 2.
uji-F. untuk model 5 atau model yang
dipilih diperoleh nilai Fhitung sebesar Tabel 2 : Ringkasan dari persamaan
71,058 dengan tingkat signifikansi 0,000. regresi berganda pada
Oleh karena signifikansi jauh dibawah metode regresi stepwise
batas penerimaan 0,05 maka model berdasarkan Output Program
regresi dapat dipakai untuk memprediksi SAS.
variabel tak bebas Y atau dengan kata
lan Vari Var Ju R2- R2- C(p) Fhitu Pr>F
lain secara serentak variabel bebas X9, gka abel iab ml Par mo ng
X6, X12, X7, dan X11 berpengaruh terhadap h mas el ah sial del
variabel tak bebas Y. Berdasarkan uk kel va
uar ria
analisa-analisa diatas dapat disimpulkan ns
bahwa dari 13 variabel bebas yang ada i
terpilih 5 variabel bebas yakni X9, X6, X12, da
la
X7, dan X11 untuk model regresi terbaik
m
menggunakan metode Stipewise.
Dengan nilai korelasi regresi parsial 1 X9 1 0,3 0,3 182, 56, <,00
639 639 885 07 01
seperti terlihat pada tabel 5 untuk tabel
koefisien, sehingga diperoleh model 2 X6 2 0,1 0,5 105, 38, <,00
persamaan regresi sebagai berikut : 803 442 853 36 01

Y  1,151  0,319 X 9  0,369 X 6  0,775 X 12  0,417 X 7  0,174 X 11

Tabel 1. Variabel masuk/keluar dari persamaan regresi berganda pada metode regresi
stepwise dengan variabel tak bebas Y berdasarkan Output SPSS.

Mod Variabel masuk Variabel Metode

el keluar

1. X9 - Tanggapan
.
Stepwise (Kriteria: Fhitung yang dimasukkan dalam model  0,050,
terhadap complain Fhitung yang dikeluarkan dari model  0,100).

2. X6 - Kualitas produk
.
Stepwise (Kriteria: Fhitung yang dimasukkan dalam model  0,050,
Fhitung yang dikeluarkan dari model  0,100).

3. X12 - image dari sales

.
Stepwise (Kriteria: Fhitung yang dimasukkan dalam model  0,050,
Fhitung yang dikeluarkan dari model  0,100).

4. X7 - Aktivitas E-
.
Stepwise (Kriteria: Fhitung yang dimasukkan dalam model  0,050,
commerce Fhitung yang dikeluarkan dari model  0,100).

5. X11 - Product Line

.
Stepwise (Kriteria: Fhitung yang dimasukkan dalam model  0,050,
Fhitung yang dikeluarkan dari model  0,100).
64 Educazione, Vol. 1. No. 1, Nopember 2013

3 X12 3 0,2 0,7 16,4 80, <,00 korelasi parsial tertinngi sebesar
084 526 818 86 01
0,532 yaitu Variabel X6. Dari uji
4 X7 4 0,0 0,7 9,71 8,3 0,00 individu dengan t, variabel ini secara
200 726 63 5 48 statistik nyata, sehingga X6 masuk ke
5 X11 5 0,0 0,7 3,73 8,1 0,00 dalam model dan diperoleh model :

182 908 20 8 52 Y  1,077  0,550 X 9  0,364 X 6
6 X16 6 0,0 0,7 2,88 2,9 0,08 Persamaan ini mempunyai nilai R2 =
065 973 22 8 75 0,544. Dari uji F keseluruhan dan uji
individu dengan t, persamaan ini
7 X16 5 0,0 0,7 3,73 2,9 0,08
065 908 20 8 75 secara statistik nyata.

d) Hitung koefisien korelasi parsial

Tahap-tahap memilih model regresi
terbaik dengan metode stepwise
berdasarkan SAS dapat dilihat pada tabel
2. Dari Tabel 1, dan Tabel 2, secara
berturut-turut menunjukan pemilihan
Variabel Prediktor Menggunakan
Metode Regresi Stepwise berdasarkan
Output Minitab dan SAS yang
mempunyai bentuk tipe output yang
hampir sama, sehingga dapat dilakukan
langkah-langkah sebagai berikut:
a) Korelasi tertinggi antara variabel
variabel respon (X19) dan variabel
prediktor didapat pada X9 sebesar
0,603. sehingga X9 menjadi variabel
pertama yang masuk dalam model
persamaan regresi.
b) Regresikan Y terhadap X9. Persamaan
regresi yang kita peroleh :

Y  0,3680  0,595 X 9
Dari Uji F keseluruhan, persamaan
regresi ini secara statistik nyata.
Persamaan ini mempunyai nilai R2 =
0,364
c) Hitung koefisien korelasi parsial
semua variabel di luar regresi dengan
variabel respon. Ambil koefisien
korelasi parsial tertinggi. Koefisien
semua variabel di luar regresi dengan
variabel respon. Ambil koefisien
korelasi parsial tertinggi. Koefisien
korelasi parsial tertinngi sebesar
0,676 yaitu Variabel X12. ari uji
individu dengan t, variabel ini secara
statistk nyata, sehingga X12 masuk ke
dalam model dan diperoleh model:

Y  1,569  0,433 X 9  0,437 X 6  0,530 X 12
Persamaan ini mempunyai nilai R2 =
0,753. Dari uji F keseluruhan dan uji
individu dengan t, persamaan ini
secara statistik nyata.
e) Hitung koefisien korelasi parsial
semua variabel di luar regresi dengan
variabel respon. Ambil koefisien
korelasi parsial tertinggi. Koefisien
korelasi parsial tertinngi sebesar -
0,284 yaitu Variabel X7. ari uji
individu dengan t, variabel ini secara
statistk nyata, sehingga X7 masuk ke
dalam model dan diperoleh model :

Y  1,060,423X9 0,435X6 0,736X12 0,395X7
Persamaan ini mempunyai nilai R2 =
0,773. Dari uji F keseluruhan dan uji
individu dengan t, persamaan ini
secara statistik nyata.
f) Hitung koefisien korelasi parsial
semua variabel di luar regresi dengan
variabel respon. Ambil koefisien
65 Educazione, Vol. 1. No. 1, Nopember 2013

korelasi parsial tertinggi. Koefisien X9 0.318 0.06068 5.25 9.16e-

96 6 07 ***
korelasi parsial tertinngi sebesar -
0,283 yaitu Variabel X11. ari uji X11 0.174 0.06095 2.86 0.00521
individu dengan t, variabel ini secara 35 0 **
statistk nyata, sehingga X11 masuk ke X12 0.775 0.08898 8.71 1.01e-
dalam model dan diperoleh model: 13 1 13 ***

Y  1,151  0,319 X 9  0,369 X 6  0,775 X 12  0,417 X 7  0,174 X 11
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’
Persamaan ini mempunyai nilai R2 = 0.05 ‘.’ 0.1 ‘ ’ 1
0,791. Dari uji F keseluruhan dan uji
individu dengan t, persamaan ini maka persamaan regresi terbaiknya
secara statistik nyata. adalah

Y -1,151060,31896X9 0,36900X6 0,77513X12 0,41714X7 0,17435X11
g) Satu-satunya variabel yang perlu
, Satu-satunya variabel yang perlu
diperhitungkan untuk menjadi
diperhitungkan untuk menjadi variabel
variabel yang akan masuk dalam
yang akan masuk dalam model adalah
model adalah X16. Karena variabel ini
X16. Karena variabel ini diperoleh nilai p-
kemudian ditolak, maka persamaan
value = 0,08753 kemudian ditolak, untuk
regresi terbaiknya :
 koefisien dari model terbaik dengan
Y  1,151  0,319 X 9  0,369 X 6  0,775 X 12  0,417 X 7  0,174 X 11
metode step wise setelah variabel X16
dikeluarkan dapat dilihat pada tabel 3.

3. Interpretasi Analisis Regresi

Berganda Dengan Pemilihann Model
Terbaik Menggunakan Metode KESIMPULAN DAN SARAN
STEPWISE Menggunakan OSS
Statistika-R
Pada dasarnya dapat ditunjukkan
Tabel 3. koefisien model terbaik setelah interpretasi analisis regresi linier
variabel X16 dikeluarkan berganda dengan pemilihan model
koefisien Estima Std.Error t Pr(> t) terbaik menggunakan metode Stepwise
si valu
menggunakan OSS Statistika-R statistik
e
MINITAB, SPSS, SAS dan R. Sehingga,
Intercept - 0.49984 - 0.02349 menghasilkan model terbaik :
1.151 2.30 *

Y 1,1510,319X9 0,369X6 0,775X12 0,417X7 0,174X11
06 3
. Untuk OSS Statistika-R statistik yang
X6 0.369 0.04719 7.82 7.61e- cocok untuk analisis regresi Stepwise
00 0 12 ***
adalah SPSS dan MINITAB, karena OSS
X7 - 0.13192 - 0.00211 Statistika-R ini didesain khusus untuk
0.417 3.16 ** bidang sosial yang cocok dalam analisis
14 2 regresi. Karena penggunaanya lebih
66 Educazione, Vol. 1. No. 1, Nopember 2013
mudah dilakukan karena berbasis menu.
OSS Statistika-R SAS ini merupakan
software yang secara harga mahal tetapi
yang paling komprehensif cocok untuk
semua jenis metode analisis yang ada
distatistika, akan tetapi penggunaanya
sangat sulit karena lebih bersifat
command line dari pada berbasis
menu(menu driven). Sedangkan untuk
interpretasi menggunakan OSS
Statistika-R informasi output yang
dihasilkan dalam analisis regresi
Stepwise cukup mudah dan sudah
komplit sehingga dapat digunakan dalam
analisis regresi Stepwise dan OSS
Statistika-R ini merupakan sofware
statistik yang bersifat open source, gratis
dan untuk dasar sudah berbasis menu
(suhartono,2008). Banyak didukung oleh
ahli statistik diseluruh dunia jadi
sebenarnya kita dapat secara bebas
mengembangkan OSS Statistika-R ini
untuk digunakan dalam analisis regresi
Stepwise. Sehingga, penulis
menyarankan untuk menggunakan OSS
Statistika-R dalam menganalisis regresi
Stepwise meskipun lebih bersifat
command line, akan tetapi dalam
penggunaanya untuk analisis regresi
stepwise perintah-perintahnya sangat
mudah dilakukan dan menghasilkan
output yang mudah dipahami.
DAFTAR PUSTAKA
Drapper, N.R. and Smith, H. (1981).
Applied Regression Analysis.
Second Edition, John Wiley &
Sons, Inc., New York.
Galton, F. (1886). Regression towards
mediocrity in hereditary stature.
Journal of the Anthropological
Institute, 15 (1), 246-263.
Grossman, Y. L., Ustin S. L., Jacquemoud,
S., Sanderson E. W., Schmuck, G.,
dan Verdebout, J. (1996). Critique
of Stepwise Multiple Linear
Regression for the Extraction of
Leaf Biochemistry Information
from Leaf Reflectance Data.
Remote Sens. Environ, 56 (2),182-
193.
Hair,J.F., Anderson, R.E., Tatham, R.L.,
and Black, W.C.(2006).
Multivariate Data Analysis. 6th
edition, Prentice Hall
International:United Kingdom.
Kutner, M.H., Nachtsheim, C.J. and
Neter, J. (2004). Applied Linier
Regression Models. McGraw Hill
International, New York.
Lau, O. W., dan Shao, B. (1997).
Correction for the effects of
viscoelastic changes in a
piezoelectric quartz crystal by the
multiple linear regression
method. Analytica Chimica Acta,
343 (2), 85-92.
Suhartono, (2008), Analisis Data Statistik
Dengan R, Lab. Statistik
Komputasi, ITS, Surabaya.
67 Educazione, Vol. 1. No. 1, Nopember 2013

Sun, Y. X., Zhao. G.C., dan Yan. W.

(1995). Age estimation on the
female sternum by quantification
theory I and stepwise regression
analysis. Forensic Science
international, 74 (2), 57-62.

Tirta, I. M. (2009), Analisis Regresi

dengan R, Penerbit Universitas
Jember, Jember. ISBN 979-8176-
65-0.

Zimin, V. G., dan Semenov, A. A. (2005).

Building neutron cross-section
dependencies for few-group
reactor calculations using
stepwise regression. Annals of
Nuclear Energy, 32 (1), 119–136.